中文分词软件包的使用

 

中文分词 (Chinese Word Segmentation) 指的是将一个汉字序列切分成一个一个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。我们知道，在英文的行文中，单词之间是以空格作为自然分界符的，而中文只是字、句和段能通过明显的分界符来简单划界，唯独词没有一个形式上的分界符，虽然英文也同样存在短语的划分问题，不过在词这一层上，中文比之英文要复杂的多、困难的多。下面简单介绍几个中文分词工具。中文版本主要介绍ICTCLAS系列，英文版的包括LingPipe,StarnfordWord Segmenter,以及OpenNlp软件包。

1. ICTCLAS

1.1. ICTCLAS 介绍

• ICTCLAS (Institute of Computing Technology, Chinese Lexical Analysis System)分词系统是由中科院计算所的张华平、刘群所等开发的一套获得广泛好评的分词系统，主要功能包括中文分词；词性标注；命名实体识别；新词识别；同时支持用户词典。
• ICTCLAS全部采用C/C++编写，支持Linux、FreeBSD及Windows系列操作系统，支持C/C++/C#/Delphi/Java等主流的开发语言。
• ICTCLAS采用了层叠隐马尔可夫模型（Hierarchical Hidden Markov Model），将汉语词法分析的所有环节都统一到了一个完整的理论框架中，获得最好的总体效果，相关理论研究发表在顶级国际会议和杂志上，从理论上和实践上都证实了该模型的先进性。

1.2. ICTCLAC分词原理简介

• 该系统基于隐马尔科夫模型提出了层叠隐马尔科夫模型（CHMM），CHMM实际上是若干个层次的简单HMM组合，各层隐马尔科夫模型之间以以下几种方式相互关联：各层HMM之间共享一个切分词图作为公共数据结构（如图1），每一层隐马尔科夫模型都采用N-Best策略，将产生的最好的若干个结果送到此图中供更高层次的模型使用。
• 该CHMM由低到高依次为：原子切分，简单未登录词识别，嵌套未登录词识别，这几层中共享二元切分词图，并在每层对该数据结构进行修改，使得传递给基于类地隐马分词的参数越来越准确，最后一层为隐马词性标注。
  
  

1.3. ICTCLAC实现版本

1.3.1 原始版本

• ICTCLAS Free版本于 2002 年 8 月 16 日发布于中文自然语言处理开放平台（http://www.nlp.org.cn/）并于 2002 年 9 月发布相应的论文及测试报告。测试报告主要包括国家 973 英汉机器翻译第二阶段的评测报告及在 1998 年 1 月标注人民语料库上的自评结果。

1.3.2 中科天玑商业版 ICTCLAS汉语分词系统

• 应用户要求，作者在原来基础上做了改进，推出 ICTCLAS 2011。内核版本5.0，改版后分词速度更快；稳定性更高。 ICTCLAS 2011c/c++/c#版、JNI版均支持多线程调用。以往版本需要进行编码转换，统一转换成GB2312之后才能做进一步处理。系统当前版本支持GB2312、GBK、UTF-8、BIG5等编码。以上编码无需做任何转换，即可进行后续处理。用户可指定需要处理数据的具体编码（有利于提高速度）也可让系统自动识别编码。本版新增了对繁体中文即BIG5的识别处理。 本版对Windows7支持良好。支持大用户词典。
• 该版本的源码还是C++,不过有java ，C#等的接口
• 下载地址：http://www.ictclas.org/ictclas_download.aspx

测试使用

C++版本没调试通过，代码也没看懂，各种心塞，继续努力

1.3.3 ICTCLAS4J版本

ICTCLAS4J介绍

ICTCLAS4J中文分词系统是sinboy在FreeICTCLAS的基础上完成的一个java开源分词项目，简化了原分词程序的复杂度，旨在为广大的中文分词爱好者一个更好的学习机会。不同于以前的C++版提供的JNI调用，ICTCLAS4J是纯Java版本的ICTCLAS。但是也由于开源有很多的不足。

ICTCLAS4J测试使用

• 下载ICTCLAS4J:  http://ictclas.org/Down_OpenSrc.asp

 

• 将下载下的ICTCLAS4J解压缩得到bin,data,src, segtag.bat 4个文件
  

• 在Eclipse上建立一个project,命名为ictclas4jTest
• 把Data文件夹整个拷贝到Eclipse项目的文件夹下,而bin目录下的org文件夹整个拷贝到Eclipse项目的bin目录下，把src目录下的org文件夹整个拷贝到Eclipse项目的src目录下
• 导入commons-lang.jar    http://download.csdn.net/detail/qianwen5201314/7716237

 

• 现在就可以在你的项目里新建一个类来试试。这里新建了一个test类，代码如下：

 

• 分词结果（可以改变源码使其出现词性标注）

 

BUG与不足

• BUG1: 在使用分词时候，人名会出现漏字问题(如上测试) 。

PosTagger.java文件中人名识别部分personRecognize方法里面出错了，注释掉if (sn.getPos() <4 &&unknownDict.getFreq(sn.getWord(),sn.getPos()) < Utility.LITTLE_FREQUENCY)，参见 http://tinypig.iteye.com/blog/250926

• BUG2: AdjustSeg.java里面的 finaAdjust()函数里要注意将while语句的判断条件while (true)改为while (true && i + 1 < optSegPath.size()) ,否则也可能发生越界错误
• BUG3: 当汉字首字节为负如“癵”*（实际上可能是乱码），转换找词表的时候会发生越界错误，这个bug在开源的ictclas里面也存在，但是c++不检查越界，因此不报错。因此在Dictionary.java中的findInOriginalTable方法中加入判断if(index < 0 || index >=Utility.CC_NUM) return -1;

• 不足：速度比较慢。

代码里面用到了很多java的String的操作，这个其实比较废时间，还有词典的组织，也是用的String的数组，再二分查找，用hash应该会快一点。 

ICTCLAS因为有一个卖钱的商业版，所以这个开源的版本毛病还是比较多的。比如有一些词库中不存在的词，就会扔空指针的错误，比如“深圳”，“大阪”这样的词。 还有对一些特殊的字符串模式，比如单引号隔几个字符再加一个什么什么的，就会报错还有一些特殊的字符，也会报错。

1.3.4 imdict-Chinese-analyzer版本

imdict-chinese-analyzer简单介绍

imdict-chinese-analyzer是 imdict智能词典的智能中文分词模块，作者高小平，算法基于隐马尔科夫模型(Hidden Markov Model, HMM)，是中国科学院计算技术研究所的ictclas中文分词程序的重新实现（基于Java），可以直接为lucene搜索引擎提供中文分词支持。

imdict-chinese-analyzer测试使用

• 下载链接http://ictclas.org/Down_OpenSrc.asp
• 下到的压缩包解压后就是一个java工程，eclipse直接导入即可，但由于其开发的环境是UTF8所以要将eclipse的工作空间的编码也设置为utf8，test包里面的AnalyzerTest就是其用法，看了以后就可以直接用了

imdict-chinese-analyzer优缺点

• 优点

开源，分词速度快，效率